完整 Agent 链路与框架推荐阅读

第一组：先建立控制模式

1. Anthropic：Building effective agents 对比 workflow 与 agent，并学习 prompt chaining、routing、parallelization、orchestrator-workers、evaluator-optimizer。
2. LangGraph：Workflows and agents 用可运行图理解条件边、动态 worker 和 evaluator loop。
3. OpenAI Agents SDK：Running agents 跟踪一次 Runner 的 model、tool、handoff、final output 和 max turns。

第二组：Context、解析与执行

1. Anthropic：Effective context engineering for AI agents
2. LangChain：Context engineering
3. LangChain：Structured output
4. OpenAI Agents SDK：Tools
5. Google ADK：Runtime event loop

阅读时画出：

Text复制
Context Source
-> Context Builder
-> Provider Request
-> Raw Response
-> Output Parser
-> Tool Executor
-> ToolResult / Evidence
-> State Reducer

并标注每一步是模型决策还是确定性代码。

第三组：状态、恢复与多 Agent

1. LangGraph：Persistence
2. Anthropic：Effective harnesses for long-running agents
3. OpenAI Agents SDK：Agent orchestration
4. Microsoft Agent Framework：Workflows
5. AutoGen stable：Teams

重点回答：checkpoint 与副作用如何对齐、恢复是否会重复执行、谁拥有控制权、上下文是否共享、停止条件由谁强制。

建议实践

选择同一个小型仓库 issue，分别实现：

1. 确定性 workflow；
2. 单 Agent loop；
3. Workflow 包裹一个 Agent node；
4. Orchestrator + 两个独立 worker。

使用同一成功契约和测试集，比较成功率、调用次数、token、延迟、重复动作、恢复行为和 trace 可解释性。不要只比较一次演示的最终文本。